Update README.md

README.md

@@ -62,6 +62,36 @@ with torch.no_grad():
 scipy.io.wavfile.write("sample.wav", rate=model.config.sampling_rate, data=output)
 ```
 
+## Utilisation du Dataset
+
+Le dataset est optimisé pour être utilisé avec la bibliothèque `datasets` de Hugging Face. En raison de sa taille importante (10,2 Go), il est fortement recommandé d'utiliser le mode **streaming**. Cela vous permet de commencer à manipuler les données instantanément sans avoir à télécharger l'intégralité du dépôt.
+
+### Chargement du dataset
+```python
+from datasets import load_dataset
+
+# Chargement en mode streaming (recommandé)
+ds = load_dataset("OumarDicko/Bambara_AudioSynthetique_42K_V3", split="train", streaming=True)
+
+# Accès aux données
+exemple = next(iter(ds))
+print(exemple['sentence'])
+
+```
+
+Pour tester la qualité de l'audio directement dans un notebook, vous pouvez utiliser le module suivant :
+```python 
+from IPython.display import Audio
+
+exemple = next(iter(ds))
+
+Audio(exemple['audio']['array'], rate=exemple['audio']['sampling_rate'])
+```
+Le dataset est composé des champs suivants :
+- *file_name* :	string	Nom d'origine du fichier audio synthétisé.
+- *sentence* :	string	Transcription en langue Bambara (Bamanankan).
+- *audio* : audio	Objet structuré contenant le tableau numérique (array), le chemin et la fréquence d'échantillonnage.
+
 ## Recommandations pour l'Entraînement ASR
 
 Pour optimiser l'utilisation de ces données synthétiques dans un modèle de reconnaissance vocale, il est recommandé d'appliquer les stratégies suivantes :